Desde la versión de FME Desktop 2019, el software ya es capaz de reconocer objetos en imágenes, gracias a un nuevo conjunto de transformadores de visión por computadora. A continuación, se pretende describir cómo se puede entrenar a FME para que ejecute esta tarea, para reconocer objetos personalizados en grandes volúmenes de datos ráster entrantes.
Es muy fácil para nosotros reconocer objetos en imágenes, que son solo combinaciones de píxeles de diferentes colores. Nuestros cerebros hacen un excelente trabajo para dar sentido a estas combinaciones a través de nuestros ojos.
Sin embargo, enseñar a las máquinas a encontrar objetos en imágenes es un proceso un poco más complejo. No obstante, hace ya bastante tiempo que se están realizado muchas investigaciones en el área de la inteligencia artificial, haciendo esta tarea posible. Actualmente, las bibliotecas de software especializadas pueden realizar muchas tareas que el sistema visual humano puede realizar, como el reconocimiento e identificación de objetos, la detección de condiciones, la lectura de texto, etc.
Algunas de las librerías más famosas para Machine Learning en Python son Scikit learn, que dispone de algoritmos de clasificación supervisada y no supervisada y optimización, y Tensorflow, con la que se pueden ejecutar algoritmos de redes neuronales, que son los algoritmos principales para la detección de objetos en imágenes.
FME Desktop tiene algoritmos de inteligencia artificial desde 2019
Desde 2019, también se pueden emplear algoritmos de inteligencia artificial en FME Desktop, para que de esta manera se puedan reconocer en rasters animales, señales de tráficos o cualquier otro objeto capturado en una imagen.
En el motor de FME, se usa OpenCV, otra biblioteca de software de visión por computadora y aprendizaje automático. Se implementó en la versión de la que estamos hablando la funcionalidad de detección de objetos, que está dentro de una familia de transformadores RasterObjectDetector:
La idea del aprendizaje automático es proporcionar al programa datos de entrenamiento (fotos, en este caso) en los que se identificarían los objetos que se quieren detectar. También se proporcionarían a FME fotos que no tienen esos objetos. El programa, tras estudiar los datos, aprenderá a tomar decisiones sobre una posible presencia o ausencia de los objetos en nuevas fotos que nunca fueron utilizadas durante el entrenamiento.
El transformador RasterObjectDetector viene con algunos modelos de detección predefinidos para caras, partes del cuerpo, gatos y algunos otros usos, pero sería realmente interesante entrenar modelos nosotros mismos para reconocer objetos aplicables a la industria geoespacial para que los resultados pudieran aparecer en un mapa.
Si quieres aprender más funcionalidades de esta herramienta, no te pierdas nuestro Curso de FME que dará comienzo el día 28 de enero.
¿Quieres comentarnos algo? Adelante!